Síntomas respiratorios y triaje con inteligencia artificial: ventajas para el médico de atención primaria

Las guías clínicas y los sistemas de puntuación clínica pueden ayudar a estandarizar el diagnóstico y el tratamiento, pero su bajo grado de aplicabilidad y la falta de tiempo son obstáculos señalados por los médicos de familia como determinantes de su escaso uso en la práctica.^[3]

Los modelos de aprendizaje automático o Machine Learning Models son una rama de la inteligencia artificial capaz de lograr un rendimiento similar o incluso mejor que el de los médicos en diversas tareas clínicas.^[4,5] Pueden ser una poderosa herramienta para el proceso de diagnóstico médico, con amplias posibilidades de aplicación y desarrollo en medicina general. 

Las notas clínicas de texto son un registro escrito en la historia clínica individual del paciente de la interpretación que hace el médico de los síntomas, signos y razones para apoyar las decisiones clínicas tomadas durante el examen y las acciones posteriores (por ejemplo, pruebas de laboratorio, radiografías, etc.).

Modelos de aprendizaje automático y pacientes con síntomas respiratorios

Una revisión retrospectiva^[6], realizada en el ámbito de la atención primaria, evaluó el rendimiento de un modelo de aprendizaje automático entrenado para realizar el triaje de un paciente con síntomas respiratorios, utilizando únicamente las características clínicas comunicadas por el paciente (síntomas y signos) antes de la visita (triaje). Se extrajeron notas de texto clínico de 1.500 historias clínicas de pacientes que habían sido clasificados por sus médicos de atención primaria con uno de los siete códigos CIE-10 de la Clasificación Internacional de Enfermedades: J00 (resfriado común), J10 y J11 (gripe), J15 (neumonía bacteriana), J20 (bronquitis aguda), J44 (EPOC) y J45 (asma).

El modelo de aprendizaje automático de triaje de pacientes con síntomas respiratorios fue capaz de estratificar los casos en 10 grupos de riesgo (con un riesgo creciente de 1 a 10) sobre la base de una puntuación.

Para cada grupo de riesgo se examinaron los siguientes resultados 

• Valor medio de la proteína C reactiva (PCR).
• Código CIE-10.
• Pacientes (%) reevaluados en un plazo de siete días en un centro de atención primaria o de urgencias.
• Pacientes (%) remitidos para radiografía de tórax, radiografía con signos de neumonía e incidentalomas.
• Pacientes (%) a los que se prescribieron antibióticos.

Triaje asistido por un modelo de aprendizaje automático

El modelo de aprendizaje automático realiza el triaje de tal forma que los pacientes de los grupos de alto riesgo tienen en realidad resultados más graves que los de los grupos de bajo riesgo. Ningún paciente estratificado por modelo de aprendizaje automático en los cinco grupos de menor riesgo tuvo una radiografía de tórax con signos de neumonía . 

El modelo de aprendizaje automático ignoró la codificación de subtipos de la CIE-10, pero asignó una puntuación de J15 (neumonía bacteriana) a los pacientes con una tasa creciente en los grupos 4 a 10, mientras que J00 (resfriado común) y J20 (bronquitis aguda) disminuyeron proporcionalmente. Además, consideró que los pacientes con neumonía (J15) y EPOC (J44) tenían más probabilidades de tener peores resultados.

Modelo de aprendizaje automático en la consulta del médico de familia

Dado el rendimiento del modelo de aprendizaje automático en diversos entornos clínicos, los autores del estudio^[6] plantean la hipótesis de su uso como herramienta para la evaluación en línea de los pacientes antes de que pidan cita con el médico de atención primaria. 

El triaje discriminaría a los pacientes con bajo riesgo de infección de las vías respiratorias inferiores que podrían ser atendidos sin consulta presencial directa. 

El modelo de aprendizaje automático podría eliminar la realización de una radiografía de tórax en todos aquellos pacientes con baja o nula probabilidad de tener un examen positivo y, en consecuencia, ahorrar alrededor de un tercio de los exámenes radiológicos prescritos. La reducción de radiografías conllevaría una reducción del 50 % de los incidentalomas, sin omitir ni una sola radiografía de tórax positiva. 

Además, todos los pacientes de los grupos de bajo riesgo examinados en los estudios tenían un diagnóstico para el que el beneficio de los antibióticos es cuestionable, pero desgraciadamente los datos no permiten una evaluación porque los antibióticos se prescribían básicamente independientemente de la clase de riesgo. Por último, la puntuación modelo de aprendizaje automático no requiere ninguna aportación por parte del médico, está disponible cuando el paciente entra en la sala de espera y es fácil de usar, se interpreta sin ambigüedades y se aplica inmediatamente al contexto clínico.

Este contenido fue publicado originalmente en Univadis Italia.